Services on Demand
Journal
Article
Indicators
Cited by SciELO
Access statistics
Related links
Cited by Google
Similars in SciELO
Similars in Google
Share
Revista Facultad Nacional de Agronomía Medellín
Print version ISSN 0304-2847On-line version ISSN 2248-7026
Abstract
BANEZ-ALDAVE, Harry Wilson et al. Aplicación de un modelo de riesgo espacial de la araña cristalina (Oligonychus sp.) al daño de cultivo de aguacate utilizando sensores remotos. Rev. Fac. Nac. Agron. Medellín [online]. 2023, vol.76, n.2, pp.10309-10321. Epub May 31, 2023. ISSN 0304-2847. https://doi.org/10.15446/rfnam.v76n2.102479.
El aguacate es uno de los alimentos de mayor consumo a nivel mundial. Sus plantaciones se ven afectadas por el ácaro Oligonychus sp., el cual interfiere en la generación de clorofila por parte de la planta, por lo cual la productividad se ve disminuida. Dada la importancia económica de este cultivo se abordó una metodología espacial para el análisis de riesgo de esta plaga. Se dispuso de un total de 202 observaciones de una finca de aguacate de 1,1 ha en las que se midió la cantidad de ácaros por hoja en la zona de Barranca, Perú. Métodos geoestadísticos predictivos e indicadores fueron aplicados. Se ajustó un semivariograma de tipo esférico con lo que se estimó un Kriging ordinario univariante, posteriormente se utilizaron covariables como índices de vegetación y variables geomorfométricas. Para mejorar la resolución espacial de las covariables se utilizó una simulación geoestadística y se ajustaron modelos lineales de corregionalización y co-Kriging, con lo que se realizaron predicciones de la plaga. Finalmente, se transformaron las predicciones a un modelo de riesgo utilizando kriging indicador. Los resultados obtenidos manifiestan que el ácaro presenta un proceso estacionario en segundo orden con una dependencia espacial menor a 10 m, en el que kriging ordinario univariante fue el más eficiente. A pesar de los resultados, los modelos lineales de corregionalización son consistentes, pero la simulación geoestadística no fue suficiente para mejorar las predicciones. Los datos de las covariables deben incorporarse con un mayor nivel de detalle y deben analizarse las variaciones a pequeña escala.
Keywords : Aguacate; Ácaro de cristalino; Simulación geoestadística; Kriging predicto e indicado; Geostadística univariante y multivariante.